inference

经典手写数字mnist数据集识别

mnist_inference.py代码部分，主要定义了神经网络的结构参数和前向传播的过程。（先上传代码，后期会加上注释）#-*-c
疯狂的貔貅·2017-08-24 10:49

ImageCaption算法总结

Google的两篇关于NIC模型的论文，配置了neutraltalk，neutraltalk2，tensorflow/im2txt(NIC)的环境，跑了neutraltalk和neutraltalk2的inference
小湉湉·2017-08-15 13:08

优化CNNs--量化方法进展介绍

卷积神经网络优化改进网络结构压缩预训练好的网络量化二值化最新进展介绍BinaryNetXNOR-Net与BWNQNNTWNTNNTTQ小结卷积神经网络优化卷积神经网络在减少计算量，加快训练和/或inference
dnvtmf·2017-07-09 18:41

TensorFlow Serving，GPU版安装

TensorFlowServing，GPUTensorflowserving是一个开源的工具，主要用来部署训练好的模型，进行Inference。
noirblack·2017-07-06 16:23

贝叶斯模型及其应用总结

mindhacks.cn/2008/09/21/the-magical-bayesian-method/http://www.ruanyifeng.com/blog/2011/08/bayesian_inference_part_one.htmlht
Pd-pony·2017-06-21 16:02

<模型汇总-9> Variational AutoEncoder_VAE基础：LVM、MAP、EM、MCMC、Variational Inference（VI）

Kingmaetal和Rezendeetal在2013年提出了变分自动编码器（VariationalAutoEncoders，VAEs）模型，仅仅三年的时间，VAEs就成为一种最流行的生成模型（Generativemodel），通过无监督的方式学习复杂的分布。VAE和GAN一样是一种学习生成模型学习框架，它由encoder和decoder两个部分组成，两个部分都可以由CNN、LSTM、DNN等网络
lqfarmer·2017-06-04 21:00

TensorFlow搭建神经网络最佳实践样例

程序将计算神经网络前向传播的部分单独定义一个函数inference，训练部分定义一个train函数，再定义一个主函数main。完整程序：#!/usr/bi
marsjhao·2017-06-01 14:21

Jetson TX1 开发教程（4）--TensorRT加速Caffe初探

由于采用了“精度换速度”的策略，在精度无明显下降的同时，其对inference的加速很明显，往往可以有一倍的性能提升，而且还支持使用caffe模型。目前网上关于TensorR
算法学习者·2017-05-16 01:11

TensorRT 2 初探秘 （一）

由于采取“精度换速度”的策略，在精度无明显下降的前提下，其对inference的加速明显，往往有1倍以上的性能提升
Mars_WH·2017-04-19 16:38

TensorFlow最佳实践样例程序

mnist_best-dataset//存放数据集的文件夹，可以http://yann.lecun.com/exdb/mnist/下载-model//存放模型的文件夹-mnist_eval.py//定义了测试过程-mnist_inference.py
NodYoung·2017-04-16 23:03

变分贝叶斯推断(Variational Bayes Inference)简介

通常在研究贝叶斯模型中，很多情况下我们关注的是如何求解后验概率(Posterior)，不幸的是，在实际模型中我们很难通过简单的贝叶斯理论求得后验概率的公式解，但是这并不影响我们对贝叶斯模型的爱——既然无法求得精确解，来个近似解在实际中也是可以接受的:-)。一般根据近似解的求解方式可以分为随机(Stochastic)近似方法（代表是MCMC，在上一篇中我们提到的利用GibbsSampling训练LD
Carl-Xie·2017-02-25 16:02

Jetson TX1 开发教程（4）--TensorRT加速Caffe初探

由于采用了“精度换速度”的策略，在精度无明显下降的同时，其对inference的加速很明显，往往可以有一倍的性能提升，而且还支持使用caffe模型。目前网上关于TensorR
Jesse_Mx·2017-02-20 20:59

神经网络(vanilla ver.) in numpy

MATLAB推荐王小川的45个神经网络案例第一章数学推导推荐吴恩达的Ufldl反向传导算法这个推荐用jupyter玩，把train和inference分开，可以用同样的parameter测着玩细节ac
风铃Ryan·2017-02-08 13:31

[Python]因果检验工具

因果推理causality.inference模块中将会包含多种推断变量之间因果关系的算法。但是到2016年1月23日为止，我只实现了Pearl(2000)提出的IC*算法。
Datartisan数据工匠·2017-01-05 11:51

模型压缩之 BinaryNet

但深度模型存在着参数众多，训练和inference计算量大的不足。目前，基于深度学习的产品大多依靠服务器端运算能力的驱动，非常依赖良好的网络环境。
MoussaTintin·2016-12-03 16:02

NVidia TensorRT 运行 Caffe 模型

官方说法是TensorRT对inference的加速很明显，往往可以有一倍的性能提升。而且还支持使用caffe的模型。
mydear_11000·2016-11-30 16:59

tensorflow学习笔记(十八):Multiple GPUs

DistribuitedtensorflowMultipleGPUs如何设置训练系统(1)每个GPU上都会有model的副本(2)对模型的参数进行同步更新抽象名词计算单个副本inference和gradients
u012436149·2016-11-11 10:00

统计推断（statistical inference）

样本是统计推断的依据；统计推断的基本问题可以分为两大类：估计问题点估计，区间估计假设检验1.点估计设总体X的分布函数F(x;θ)的形式已知，θ是待估参数。X1,X2,…,Xn是X的一个样本，x1,x2,…,xn是相应的一个样本值。点估计问题就是要构造一个适当的统计量，θ^(X1,X2,…,Xn)，用它的观察值θ^(x1,x2,…,xn)作为未知参数θ的近似值。称θ^(X1,X2,…,Xn)为θ的估
Inside_Zhang·2016-10-22 20:34

TensorFlow学习笔记（4）----完整的工程示例：全连接前馈网络识别MNIST

从逻辑上一般分为：推理（Inference）、损失（Loss）、训练（traning）和评估（evaluation)这些步骤，代码位置：原始代码下载地址（只需要mnist.py和fully_connected_feed.py
海上的独木舟·2016-09-02 07:27

Swift:Minimizing Annotation with Type Inference

许多程序猿更喜欢比如Python和Javascript这样的动态语言,因为这些语言并不要求程序猿为每个变量声明和管理它们的类型.在大多数动态类型的语言里,变量可以是任何类型,而类型声明是可选的或者根本不允许.Objective-C采用了混合的处理方式:它需要类型声明,但是任何指向一个Objective-C类实例的变量(包括任何从NSObject派生出的类,但不能是所谓的原始类型,比如int,flo
mydo·2016-07-16 10:00

论文阅读：Pose Machines: Articulated Pose Estimation via Inference Machines

作者VarunRamakrishna,DanielMunoz,MartialHebert,J.AndrewBagnell,andYaserSheikhTheRoboticsInstitute,CarnegieMellonUniversity本文是CVPR2016ConvolutionPoseMachine所follow的论文。一、论文所解决的问题本文所用的方法还是图模型的方法采用了一种模拟图模型的
xizero00·2016-05-12 18:00

统计学习笔记(1) 监督学习概论(1)

原作品：TheElementsofStatisticalLearningDataMining,Inference,andPrediction,SecondEdition,byTrevorHastie,RobertTibshiraniandJeromeFriedmanAnIntroductiontoStatisticalLearning.byGarethJamesDanielaWittenTrevo
jyl1999xxxx·2016-03-21 17:27

统计学习笔记(1) 监督学习概论(1)

原作品：TheElementsofStatisticalLearningDataMining,Inference,andPrediction,SecondEdition,byTrevorHastie,RobertTibshiraniandJeromeFriedmanAnIntroductiontoStatisticalLearning.byGarethJamesDanielaWittenTrevo
jyl1999xxxx·2016-03-21 17:00

概率图模型笔记(9-10)——Inference-Belief Propagation

9Inference-BeliefPropagationpart19.1BeliefPropagation9.1.1聚类图(ClusterGraphs)聚类图即这样的一个无向图：节点是团Ci⊆X1,…,
u010366427·2016-02-25 00:00

Scalaz（27）－ Inference & Unapply ：类型的推导和匹配

 经过一段时间的摸索，用scala进行函数式编程的过程对我来说就好像是想着法儿如何将函数的款式对齐以及如何正确地匹配类型，真正是一种全新的体验，但好像有点太偏重学术型了。本来不想花什么功夫在scala的类型系统上，但在阅读scalaz源代码时往往遇到类型层面的编程（typelevelprogramming），常常扰乱了理解scalaz代码思路，所以还是要简单的介绍一下scala类型系统的一些情况。
TIGER_XC·2016-02-23 21:00

Scalaz（27）－ Inference & Unapply ：类型的推导和匹配

  经过一段时间的摸索，用scala进行函数式编程的过程对我来说就好像是想着法儿如何将函数的款式对齐以及如何正确地匹配类型，真正是一种全新的体验，但好像有点太偏重学术型了。本来不想花什么功夫在scala的类型系统上，但在阅读scalaz源代码时往往遇到类型层面的编程（typelevelprogramming），常常扰乱了理解scalaz代码思路，所以还是要简单的介绍一下scala类型系统的一些情况
雪川大虫·2016-02-23 21:00

概率图模型笔记(8)——Inference Variable Elimination

8.1Overview-ConditionalProbabilityQueries8.1.1ConditionalProbabilityQueries定义如下三个内容:(1)证据：E=e(2)问题：变量集Y(3)任务：计算P(Y|E=e)8.1.2和-积除了问题变量所在的因子，在每个因子上轮流取不同的值并将各个因子做乘积，不同的取值的因子积之和为问题变量的联合分布P，如果不进行归一化则记为P~。8
u010366427·2016-02-02 16:00

The Java™ Tutorials — Generics ：Type Inference 类型推断

TheJava™Tutorials—Generics：TypeInference类型推断原文地址：https://docs.oracle.com/javase/tutorial/java/generics/genTypeInference.html关键点理解编译器是如何利用目标类型来推算泛型变量的值注意下面的代码：在Java7中无法编译通过，而在Java8中却可以。Java8的编译器可以通过方法形
FIRE_TRAY·2016-01-27 18:32

The Java™ Tutorials — Generics ：Type Inference 类型推断

TheJava™Tutorials—Generics：TypeInference类型推断原文地址：https://docs.oracle.com/javase/tutorial/java/generics/genTypeInference.html关键点理解编译器是如何利用目标类型来推算泛型变量的值注意下面的代码：在Java7中无法编译通过，而在Java8中却可以。Java8的编译器可以通过方法形
FIRE_TRAY·2016-01-27 18:00

Applied Natural Language Processing —— 读书笔记 第一章

worldknowledge对于语言理解的影响可以分作三个部分：参考性inference，期望性expectation和模糊性ambiguity。1.参考性可以理解为根据已有
lscHacker·2016-01-17 14:46

Inference of FOL

Outline:Reducingfirst-orderinferencetopropositionalinferenceUnificationGeneralizedModusPonensForwardandbackwardchainingLogicprogrammingResolutionUnification:Tofindasubstitutionθthatcansubstitutevariab
m.Just·2016-01-05 15:00

Inference of FOL

Outline:Reducingfirst-orderinferencetopropositionalinferenceUnificationGeneralizedModusPonensForwardandbackwardchainingLogicprogrammingResolutionUnification:Tofindasubstitutionθthatcansubstitutevariab
m.Just·2016-01-05 15:00

贝叶斯推断及其互联网应用（一）：定理简介

为了更好的了解贝叶斯定理以及相关的应用，特地找来三篇文章进行学习，以下是文章的链接，感谢原作者：http://www.ruanyifeng.com/blog/2011/08/bayesian_inference_part_one.html
mousever·2015-12-27 21:03

推荐一些用CRF做图像语义分割的资源

首先是code，以前找了很多，但发现比较好用的有：1.Matlab版的UGM：http://www.di.ens.fr/~mschmidt/Software/UGM.html，可实现crf的inference
ganbaoni9yang·2015-12-02 15:10

机器学习课程 Variational Inference

VariationalInferenceBasics/VariationalInferenceforhttp://pan.baidu.com/s/1gdsGQ7T#path=%252FVariational%2520Inference
zc02051126·2015-11-26 22:00

限制玻尔兹曼机（RBM）

EBM有两个主要的任务，一个是推断(Inference)
gsp_2015·2015-11-16 10:51

图模型的精确推理

exact inference分为2种，求边缘概率和求MAP，分布对应sum-product和max-sum算法。
·2015-11-13 20:27

转导推理——Transductive Learning

　　在统计学习中，转导推理（Transductive Inference）是一种通过观察特定的训练样本，进而预测特定的测试样本的方法。
·2015-11-13 12:24

《模式识别与机器学习》学习笔记：2.0 前言

术语 术语 中文含义 备注 Bayesian inference     density estimation     ill-posed 不适定的
·2015-11-13 07:04

机器学习理论与实战（十五）概率图模型03

03 图模型推理算法            这节了解一下概率图模型的推理算法（Inference algorithm），也就是如何求边缘概率
·2015-11-13 06:49

LINQ体验(3)——C# 3.0新语言特性和改进(下篇)

C# 3.0新语言特性和改进包括： 自动属性(Auto-Implemented Properties) 隐含类型局部变量(Local Variable Type Inference) 匿名类型
·2015-11-13 00:44

Synthesis of memory barriers

A framework is provided for automatic inference of memory fences in concurrent programs.
·2015-11-12 22:52

Likelihood principle

nbsp;statistics, the likelihood principle is a controversial principle of statistical inference
·2015-11-12 18:37

加州大学伯克利分校Stat2.3x Inference 统计推断学习笔记: Section 2 Testing Statistical Hypotheses

Stat2.3x Inference（统计推断）课程由加州大学伯克利分校（University of California, Berkeley）于2014年在edX平台讲授。
·2015-11-11 17:11

加州大学伯克利分校Stat2.3x Inference 统计推断学习笔记: Section 1 Estimating unknown parameters

Stat2.3x Inference（统计推断）课程由加州大学伯克利分校（University of California, Berkeley）于2014年在edX平台讲授。
·2015-11-11 17:11

加州大学伯克利分校Stat2.3x Inference 统计推断学习笔记: FINAL

Stat2.3x Inference（统计推断）课程由加州大学伯克利分校（University of California, Berkeley）于2014年在edX平台讲授。
·2015-11-11 12:46

加州大学伯克利分校Stat2.3x Inference 统计推断学习笔记: Section 5 Window to a Wider World

Stat2.3x Inference（统计推断）课程由加州大学伯克利分校（University of California, Berkeley）于2014年在edX平台讲授。
·2015-11-11 12:45

加州大学伯克利分校Stat2.3x Inference 统计推断学习笔记: Section 4 Dependent Samples

Stat2.3x Inference（统计推断）课程由加州大学伯克利分校（University of California, Berkeley）于2014年在edX平台讲授。
·2015-11-11 12:45

加州大学伯克利分校Stat2.3x Inference 统计推断学习笔记: Section 3 One-sample and two-sample tests

Stat2.3x Inference（统计推断）课程由加州大学伯克利分校（University of California, Berkeley）于2014年在edX平台讲授。
·2015-11-11 12:44

Statistical Inference by George Casella and Roger L. Berger)

Part 1: Moments Definition 1 For each integer $n$, the nth moment of $X$, $\mu_n^{'}$ is \[\mu_{n}^{'} = EX^n.\] The nth central moment of $X$, $\mu_n$, is  \[ \mu_n = E(X-\mu)^n,\] where $\
·2015-11-11 00:55
上一页 21 22 23 24 25 26 27 28 下一页
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他